本文關鍵詞：高光譜遙感圖像數(shù)據(jù)降維和分類算法研究　出處：《北方民族大學》2017年碩士論文　論文類型：學位論文

  更多相關文章： 高光譜遙感圖像 機器學習 數(shù)據(jù)降維 隨機森林 PCA 投影尋蹤

【摘要】：隨著遙感技術(shù)的發(fā)展,高光譜遙感作為一種新型的遙感方式已經(jīng)成為人們獲取地表信息的重要手段,并在軍用和民用領域發(fā)揮著極其重要的作用。高光譜圖像分類是高光譜信息處理的重要方向,高精度的分類算法是實現(xiàn)各種應用的前提。但是,高光譜圖像以其高分辨率、多波段數(shù)、大數(shù)據(jù)量的特點給傳統(tǒng)圖像分類技術(shù)帶來了巨大的挑戰(zhàn)。針對高光譜遙感圖像分類存在的問題,本文主要研究高光譜遙感圖像數(shù)據(jù)降維和分類算法。隨機森林是Breiman于2001年提出的分類和預測模型,作為集成學習的一種,隨機森林算法充分利用了單個分類器和統(tǒng)計抽樣技術(shù),解決了單分類器在性能上無法提升的問題,但其本身也存在一些有待完善的地方和一些應用上的缺陷,在算法處理不同數(shù)據(jù)集的性能和算法分類精度的提升方面,還存在著一定的空間。根據(jù)隨機森林中的不足,本文提出改進型算法,著重從數(shù)據(jù)降維方面入手進一步提高隨機森林的分類精度。前期采用高效的降維算法選擇出具有信息量大、相關性小和類間可分性強等特點的特征子集,而后在特征子集空間進行分類。這一分類過程不僅可以提高地物識別分類的效率,同時處理數(shù)據(jù)的速度也大大改善。本文算法具體實施方案分兩步,第一步構(gòu)造特征空間,將投影尋蹤和主成分分析相結(jié)合得到降維后的特征,形成新的特征組合。主成分分析主要揭示了數(shù)據(jù)的全局線性分布特征,代表了原始數(shù)據(jù)的整體分布方向,而投影尋蹤則揭示數(shù)據(jù)的局部分布規(guī)律。全局與局部的結(jié)合會使高光譜遙感數(shù)據(jù)的整體分類精度得到提高。第二步是在新的特征空間里利用隨機森林進行地物分類。實驗證明,與其他分類算法對比,本文算法有明顯的優(yōu)越性。本文通過對隨機森林算法的研究,針對該算法中的不足提出了一種改進型算法,不僅降低了樣本數(shù)據(jù)維數(shù)、保留了主要的信息量也提升了隨機森林的分類精度。最后,文章分析了本文算法在高光譜遙感圖像分類上的優(yōu)勢與不足之處,為今后我們進一步的研究打下了堅實的基礎。
[Abstract]:With the development of remote sensing technology, hyperspectral remote sensing as a new type of remote sensing has become an important means for people to obtain surface information. Hyperspectral image classification is an important direction of hyperspectral information processing, and high-precision classification algorithm is the premise of various applications. Because of its high resolution, multi-band number and large amount of data, hyperspectral image has brought great challenges to the traditional image classification technology, aiming at the problems of hyperspectral remote sensing image classification. This paper mainly studies the algorithm of reducing dimension and classifying hyperspectral remote sensing image data. Stochastic forest is a classification and prediction model proposed by Breiman in 2001 as a kind of ensemble learning. The stochastic forest algorithm makes full use of single classifier and statistical sampling technology to solve the problem that the performance of single classifier can not be improved, but there are still some defects in its application. There is still some space to improve the performance of different data sets and the classification accuracy of the algorithm. According to the shortcomings of the random forest, this paper proposes an improved algorithm. The classification accuracy of random forest is further improved from the aspect of data dimensionality reduction. In the early stage, the efficient dimensionality reduction algorithm is used to select the feature subset with the characteristics of large amount of information, small correlation and strong separability among classes. The classification process can not only improve the efficiency of object recognition and classification, but also greatly improve the speed of processing data. This algorithm is implemented in two steps. The first step is to construct the feature space, combining projection pursuit and principal component analysis to get the reduced dimension feature, and form a new feature combination. The principal component analysis mainly reveals the global linear distribution characteristics of the data. Represents the overall distribution direction of the raw data. Projection pursuit reveals the local distribution of the data. The combination of global and local will improve the global classification accuracy of hyperspectral remote sensing data. The second step is to use random forest to divide ground objects in a new feature space. Class. Experimental proof. Compared with other classification algorithms, this algorithm has obvious advantages. Based on the research of stochastic forest algorithm, an improved algorithm is proposed, which not only reduces the dimension of sample data, but also reduces the dimension of sample data. The main information is retained and the classification accuracy of random forest is improved. Finally, this paper analyzes the advantages and disadvantages of this algorithm in hyperspectral remote sensing image classification. It has laid a solid foundation for our further research in the future.
【學位授予單位】：北方民族大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP751

【參考文獻】

相關期刊論文 前9條

1 宋相法;焦李成;;基于稀疏表示及光譜信息的高光譜遙感圖像分類[J];電子與信息學報;2012年02期

2 戴宏亮;戴道清;;基于ETAFSVM的高光譜遙感圖像自動波段選擇和分類[J];計算機科學;2009年04期

3 王維;趙慧潔;董超;;基于投影尋蹤的高光譜圖像異常檢測并行算法[J];北京航空航天大學學報;2009年03期

4 周爽;張鈞萍;蘇寶庫;;基于最速上升算法的超光譜圖像波段選擇搜索算法[J];計算機應用研究;2008年11期

5 蘇紅軍;杜培軍;盛業(yè)華;;高光譜遙感數(shù)據(jù)光譜特征提取算法與分類研究[J];計算機應用研究;2008年02期

6 陳進;王潤生;;高斯最大似然分類在高光譜分類中的應用研究[J];計算機應用;2006年08期

7 杜培軍,陳云浩,方濤,陳雍業(yè);高光譜遙感數(shù)據(jù)光譜特征的提取與應用[J];中國礦業(yè)大學學報;2003年05期

8 王先華,王樂意,喬延利;遙感中的高光譜技術(shù)及應用[J];光電子技術(shù)與信息;2001年06期

9 陳彬，，洪家榮，王亞東;最優(yōu)特征子集選擇問題[J];計算機學報;1997年02期

相關博士學位論文 前5條

1 劉振林;基于核空譜信息挖掘的高光譜圖像分類方法研究[D];哈爾濱工業(yè)大學;2014年

2 高陽;高光譜數(shù)據(jù)降維算法研究[D];中國礦業(yè)大學;2013年

3 雷震;隨機森林及其在遙感影像處理中應用研究[D];上海交通大學;2012年

4 陳進;高光譜圖像分類方法研究[D];國防科學技術(shù)大學;2010年

5 楊哲海;高光譜影像分類若干關鍵技術(shù)的研究[D];解放軍信息工程大學;2006年

相關碩士學位論文 前3條

1 許將軍;高光譜遙感圖像特征提取及分類研究[D];電子科技大學;2007年

2 談曉曄;基于高光譜圖像的特征提取/選擇及其應用的研究[D];哈爾濱工業(yè)大學;2006年

3 楊金紅;高光譜遙感數(shù)據(jù)最佳波段選擇方法研究[D];南京信息工程大學;2005年

本文編號：1392000